Neural Network Toolbox: Разлика помеѓу преработките

Одземен 1 бајт ,  пред 12 години
с
Бот: козметички промени
[непроверена преработка][непроверена преработка]
с (Бот додава Шаблон: Без извори)
с (Бот: козметички промени)
{{Без извори|датум=октомври 2009}}
Алатката базирана на невронски мрежи ('''Neural Network Toolbox''') го прошитува [[MATLAB]] со алатки за дизајнирање, имплементирање, визуелизација, и симулирање на невронски мрежи. Невронските мрежи се непроценливи за апликации каде формалните анализи се тешки или невозможни, како што е препознавање на шаблони и нелинеарни системи на идентификација и управување. Neural Network Toolbox-от овозможува севкупна поддршка за повеќе докажани мрежни типични примери, како и графички кориснички интерфејс кој овозможува дизајнирање и менаџирање на мрежите. Модулираниот, отворен дизајн на алтката го упростува креирањето на прилагодливи функции и мрежи.
 
== Работење со Neural Network Toolbox ==
Невронските мрежни предвидувачко управливи блокови вклучени во алатката можат да се инкорпорираат во [[Simulink]] модели. Со промена на параметрите од тие блокови, може да се кројат мрежните перформанси на апликацијата.
 
== Пред и после процесирачки функции и поправлива генерализација ==
=== Пред и после процесирачки функции ===
Пред-процесирајќи мрежни влезови и targets ја подобрува ефективноста на невронските мрежни обучувања. После-процесирање овозможува детална анализа на мрежните перформанси.
Подобрувањето на мрежната способност за генерализирање помага за превенција на overfitting, вообичаен проблем во невронскиот мрежен дизајн. Overfitting се случува кога мрежата ја меморирала обуката но не научила да генерализира нови влезови. Overfitting произведува релативно мала грешка на множеството за обука но доста поголема грешка кога нови податоци се даваат на мрежата.
Neural Network Toolbox овозможува две решенија за подобрување на генерализацијата: регулација и рано стопирање.
Регулацијата ја модифицира мрежната перформансна функција (мерката за грешка која процесот за обука ја минимизира). Со вклучување на големините за тежини и бази, обуката произведува мрежа која извршува добро со податоците за обука и прикажува помирно држење која и се дава нови податоци.
Со рано стопирање се користат две различни податочни множества: множеството за обука, за ажурирање на тежини и бази, и множество за валидација за стопирање на обуката кога мрежата почнува да overfit податоци.
 
Невронските мрежи се обучуваат да извршуваат комплексни функции на различни полиња, вклучувајќи препознавање на шаблони, идентификација, класификација, говор, визија, и системи за управување.
Денес, невронските мрежи можат да се обучат за да решаваат проблеми кои се тешки за конвенционални компјутери или самиот човек. Низ целат алатка, посебно внимание е ставено на мрежните типични примери кои се изградуваат или самите се користат во индустриски, финансиски, и други практични апликации.
 
[[Категорија:Компјутерски програми]]
 
[[en:Neural Network Toolbox]]
941.847

уредувања